【课题研究机构】招商证券股份有限公司

【摘要】课题针对目前自营投资业务风险管理工作存在的问题或痛点进行深入研究。围绕主要环节创新性地提出解决方案，包括EDA云原生架构高性能实时清算框架、风险中台及高性能分布式计算引擎和低代码风控工具，最终采用基于全栈自主掌控的云原生架构落地。课题研究成果可被行业借鉴，能够有效助力和推动行业风险管理技术的创新和发展。

近年来，随着国内券商资本金的快速扩充和发展，券商自营投资规模的不断增大，投资业务品种不断丰富。如表1所示，2022年前10家头部券商财报数据显示自营平均业务收入超过60亿元，营收占比近20%，其中中金营收占比超40%；若券商自营投资业务出现重大问题，将严重影响券商的生存和发展，甚至可能影响金融安全稳定。作为证券公司自营投资业务的关键支撑能力之一——风险管理能力，受到监管机构和证券公司内部高度重视。

表1 2022年券商自营业务收入情况（财报口径）

目前券商自营投资业务的风险管理工作存在以下问题或痛点：（1）无法全品种、全业务台联动风险盯市；（2）无法及时有效监控风险；（3）无法支持自营投资业务的复杂、多变的精细化风控管理要求；（4）高频业务为风控系统性能带来巨大挑战；（5）自主掌控能力较差。

本课题聚焦解决自营投资全业务场景实时风险管理挑战，最终提出一套切实可行的完整解决方案。一方面彻底解决了券商平台化自营投资风险实时管理问题，保障券商业务稳定运行，维护金融安全；另一方面，该平台支持的交易市场、业务品种及平台整体技术方案在国内具有一定的创新性，可被行业进行推广和借鉴，能够有效助力和推动行业风险管理技术的创新和发展。

为解决目前自营投资全业务场景下的风险管理问题，本课题的整体目标是提出一套面向券商自营投资业务的动态实时风险预警解决方案。本课题研究内容主要包括以下四个方面：

第一，研究自营投资业务高性能实时清算解决方案，解决传统清算存在的性能瓶颈和时效问题。 

第二，研究风险中台解决方案，设计风险数据实时标准化处理模型，探索高性能分布式计算引擎。

第三，研究低代码风控工具解决方案，支持多维度、多口径风险动态监控，探索建设基于证券自营投资业务风险分析垂直领域的低代码工具解决方案。

第四，在全栈自主可控技术下，采用云原生架构自研落地实时清算与风险监控平台。

本课题从数据治理入手，打造坚实的风险实时数据底座，再由统一的计算引擎对数据进行指标模型的计算，为低代码风险工具层灵活开发风险报表和预警规则提供基础。平台的应用架构图如下：

本课题涉及的系统建设选型采用了一系列主流的关键技术，体现了项目的先进性和创新性。主要包括云原生微服务架构、基于Celery的分布式计算框架、DevOps研发理念等，具体说明如下：

(1) 平台架构先进，基于EDA的云原生微服务架构体系：采用微服务实现了分布式应用的开发和部署，充分利用云计算和容器技术，提高了应用的可靠性和弹性；使用微服务架构提供的服务注册、配置中心、负载均衡等功能，简化了应用的开发和维护流程，提高了开发效率和运行效率；采用EDA（Event Driven Architecture）事件驱动架构的方式进行设计，内置高性能消息总线，实现微服务间松耦合，各环节异步处理，使得平台具备良好的可伸缩性、可扩展性、可靠性、性能和健壮性等。面对处理极大实时交易清算、风险计算时，该平台仍然可以稳定运行和快速响应，有效应对异常行情、异常场景带来的风控压力。

(2) DevOps持续集成，研发全流程数字化：使用天工DevOps研发平台实现持续集成、持续交付，提高了开发和运维的效率和质量；通过自动化测试、自动化部署、自动化监控等功能，简化应用的运维流程，提高了应用的稳定性和可维护性。

(3) Celery分布式计算框架和自研调度中心、风险服务深度融合：自研集模型管理、报表开发、限额规则开发、任务依赖调度一体的风险中台。

详细技术架构图如下：

创新点1：基于EDA事件驱动的高性能实时清算架构

在数据处理架构上，风险监控大多采用批量计算的模式，通过周期性调度作业的方式实现。这种方式跑批时间长，难以满足业务和监管需求，我们采用事件驱动+分布式计算框架实现动态风险监控，具体架构如下。

图3 高性能实时清算框架

（1）实时数仓：数据仓库由交易路由、行情网关、Kafka消息队列、数据预处理模块组成，实时数仓具备数据采集、存储、处理和下发功能。

（2）实时清算：实时清算模块根据数仓下发到Kafka的数据进行清算，负责生成持仓全头寸明细数据，分布式计算引擎在全头寸明细数据的基础上进行风险模型计算。实时数仓实时处理跨交易平台、跨业务线的交易流水，再分市场及业务品种并根据实时行情，进行细粒度组合清算。

创新点2：自研分布式计算引擎

在计算框架方面，风险中台主动拥抱主流开源技术，结合本公司自营投资业务对风控实时性和准确性的要求，基于Celery的分布式微服务计算框架实现了自研高性能计算引擎。

首先，使用Java实现risk-model微服务，对Celery框架API进行上层封装，实现对该框架的易用性，同时纳入微服务生态，实现统一的服务调度。

其次，基于XXL-JOB调度平台源码进行深度微服务定制开发，通过risk-model服务和Celery计算框架打通模型计算的调度，再结合对应用的调度，实现中台调度一体化。

最终实现了全微服务化、全自主掌控、分布式高可用、流批一体的风险中台计算引擎架构。

图4 风险中台计算框架图

创新点3：基于中台模式实现风控能力复用和业务快速响应

证券公司内部自营投资部门、风控部门、资管子公司以及国际子公司等投资部门，在风险管理的流程、管理模式都存在类似的需求。为避免重复开发大量相似功能，本项目采用中台化建设路径，设计并落地了风险中台。对风险指标库、组合风险分析、头寸分析管理、限额管理、压力测试等5大类核心风控场景的业务能力和标准化业务组件进行沉淀和复用。相比于传统的应用架构，基于风险中台的建设模式带来了两个方面的优势：一是保障业务口径、业务管理模式的一致性；二是支持灵活、即时的风险分析能力。

创新点4：自主掌控云原生架构在券商自营投资风控领域落地

在本次课题实践中，创新地采用云原生技术在风控领域的落地实践，本平台还采用全栈自主掌控架构。

(1) 持续集成和交付：采用DevOps全流程敏捷管理工具，支持平台的全生命周期管理，包括需求管理、开发、测试、发布部署等环节。

(2) 微服务容器化架构：将应用程序拆分为多个独立的、自治的微服务。每个微服务负责特定的业务功能，具备独立进行开发、部署和扩展的能力。

(3) 运维监控：为确保系统高度可运维，搭建主机、容器、服务等立体化全方位监控体系，包含日志采集、监控预警、链路追踪、性能监控等，为用户提供稳定可靠的服务。

（1）多品种、多市场支持：支持A股现货、港股、美股、场内基金、国内期货、香港期货6大品种，覆盖沪深交易所、国内期货交易所、香港期货交易所、港交所、纽交所等15+个境内外市场。

（2）基于事件驱动，实时清算速度达毫秒级，风险指标计算缩短至秒级，彻底解决传统风险指标计算T+1日滞后性问题，实时性提升多个数量级。

（3）实盘稳定支持日间百万级别的数据量清算，成功应对每秒万笔级别的峰值成交压力，目前已经开始承载证券权益和衍生品自营风险监控业务。实时清算支持横向扩展，具备多节点清算的能力，为未来自营投资业务量的增长做好了技术准备。

（1）支持指标模型灵活配置，可通过平台界面可视化轻松维护；

（2）支持流批一体数据处理，模型计算最快达到秒级；

（3）沉淀风险模型100+个，全量报表模型计算最快达到分钟级别。

落地风险中台、沉淀公共组件，风险中台通过统一的数据规范，沉淀的风险模型和标准的对外服务API，形成了可复用的中台能力，通过该能力对其他业务条线输出风险管理能力。

（1）支持指标逻辑快速生成，风险指标实施时间由一周降至1分钟；

（2）实现风控报表及风险分析任务的快速配置与构建，风险分析报表实施时间由10天降低至3分钟，实施效率提升99%以上，并且具备更强的口径一致性、计算准确性和可维护性。

本课题通过对券商自营投资业务的动态实时风险预警进行深入研究，在自营投资业务风险管理的3个主要环节创新性地提出解决方案。本课题已经阶段性结束，后续将对其他方面进行更多的研究和探索，主要包括以下几个方面：

（1）第一阶段以境内外权益类品种为主，未来第二阶段将落地更多固收类业务品种；

（2）将本课题沉淀的高性能实时清算框架和具有高性能分布式计算引擎的风险中台复用到券商其他业务领域和信息系统，实现研究成果价值最大化；

（3）随着大语言模型的兴起，AI也将影响到自营投资的各方面，未来探索在自营投资风险管理场景下通过AI赋能，提供更好的自营风险管理能力。